센티넬2 시계열을 활용한 초고해상도 숲 높이 매핑

초록

본 논문은 프랑스 전역의 라이다 HD 데이터를 참조로 삼아, Sentinel‑2 시계열만을 이용해 2.5 m·5 m·10 m 해상도의 초고해상도 나무 높이 지도를 자동 생성하는 THREASURE‑Net 모델을 제안한다. 사전 학습된 초해상도 네트워크나 VHR 광학 이미지 없이도 평균 절대 오차 2.6 ~ 2.9 m 수준의 정확도를 달성한다.

상세 분석

THREASURE‑Net은 Sentinel‑2 Level‑2A 시계열 데이터를 입력으로 받아, 동시에 초해상도와 나무 높이 회귀를 수행하는 완전한 엔드‑투‑엔드 구조이다. 입력은 10개의 스펙트럼 밴드와 관측 각도(태양·위성 방위·천정각) 정보를 10 m 해상도로 재샘플링한 뒤, 각 시점별로 Residual Dense Block(RDB) 기반의 스페이소‑스펙트럴 피처 추출 모듈을 적용한다. RDB는 Dense 연결을 통해 저해상도 이미지에서도 미세한 공간 정보를 보존하면서 파라미터 효율성을 유지한다.

시간적 특성은 Lightweight Temporal Self‑Attention 메커니즘을 사용해 인코딩한다. 각 시점의 피처와 시간 위치 정보를 키·밸류로 활용하고, 학습 가능한 쿼리를 통해 시계열 전반에 걸친 가중치를 동적으로 할당한다. 이 과정에서 관측 날짜와 계절 변동을 명시적으로 반영함으로써, 같은 지역이라도 시기별 라이다 기준고도와의 차이를 보정한다.

시간‑집합 피처는 이후에 업샘플링 레이어를 통해 f배(2.5 m, 5 m, 10 m) 해상도로 확대된다. 여기서 f는 모델 변형에 따라 선택되며, 별도의 사전 학습된 초해상도 네트워크가 필요 없다는 점이 혁신적이다. 최종 출력은 95번째 백분위수 높이값을 예측하는 회귀 헤드에 전달되어, 식생 픽셀(1.5 m 이상)만을 대상으로 학습한다.

학습 데이터는 프랑스 전역 80개의 Sentinel‑2 타일을 1 km² 라이다 HD 패치와 매칭한 179 945개의 학습 샘플, 19 133개의 검증 샘플, 35 639개의 테스트 샘플로 구성된다. 라이다 HD는 10 pulses/m² 이상의 점밀도를 갖으며, 95번째 백분위수 높이값을 픽셀당 레퍼런스로 사용한다. 작물 영역은 국가 농지 레지스트리(RPG) 마스크로 제외해 숲 전용 데이터만을 학습에 활용한다.

성능 평가는 기존 Sentinel‑2 기반 SISR·회귀 모델, 그리고 VHR 광학 이미지(예: Google Earth)와 결합한 최신 방법과 비교하였다. THREASURE‑Net은 2.5 m 해상도에서 MAE 2.62 m, 5 m에서 2.72 m, 10 m에서 2.88 m를 기록했으며, 이는 VHR 기반 모델에 필적하거나 더 나은 결과다. 또한, 클라우드 마스크와 50 % 이하의 결측치를 가진 시계열을 그대로 사용해도 안정적인 예측이 가능해, 실제 운영 환경에서의 적용성을 높인다.

이 모델의 주요 강점은 (1) 라이다 HD만을 레퍼런스로 사용해 비용 효율적인 대규모 학습이 가능함, (2) 사전 학습된 초해상도 네트워크 없이도 멀티‑스케일 초해상도를 구현, (3) 시계열 자체를 학습에 활용해 계절성 변화를 자연스럽게 보정, (4) 불규칙하고 구름이 포함된 시계열에도 강인한 성능을 보인다. 한계점으로는 라이다 HD가 연도별 한 번만 촬영된다는 점에서 시계열 라이다와의 직접적인 비교가 어려우며, 작물과 같은 비목재 식생이 일부 남아 있을 가능성이 있다. 향후 연구에서는 라이다 시계열 데이터와 결합하거나, 다른 지역·기후대에 대한 일반화 검증이 필요하다.